Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845

www.ejournal.unib.ac.id/index.php/pseudocode

EKSTRAKSI FITUR WARNA DAN TEKSTUR

UNTUK TEMU KEMBALI CITRA BATIK
BESUREK
Endina Putri Purwandari1, Desi Andreswari2, Ulva Faraditha3
1,2,3
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bengkulu
Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA
(telp: 0736-341022; fax: 0736-341022)

1
endinaputri@unib.ac.id
2
desiandreswari@unib.ac.id
3
faradithaulvafaraditha@gmail.com

Abstrak: Batik Besurek merupakan warisan budaya Bengkulu yang mempunyai ciri khas berupa motif
huruf Arab gundul yang dipadukan dengan motif bunga Raflesia Arnoldi. Penelitian ini bertujuan
mendesain aplikasi temu kembali citra Batik Besurek menggunakan ekstraksi fitur Color Histogram,
Gray Level Co-occurrence Matrix, dan Moment Invariant. Citra yang menjadi dataset yaitu citra Batik
Besurek yang terdiri dari 5 motif seperti Kaligrafi, Bunga Raflesia, Burung Kuau, Relung Paku, dan
Motif Rembulan. Banyaknya macam citra Batik Besurek yang digunakan sebagai database sesuai dengan
banyaknya motif Batik Besurek yang ada di Bengkulu dengan jumlah citra yang ada di database adalah
100 citra training, 30 citra uji database, 30 citra uji luar database, 5 citra uji dari internet. Hasil pencarian
citra adalah citra yang memiliki kemiripan mendekati citra uji. Semakin kecil selisih kemiripan maka citra
training semakin mirip dengan citra uji. Berdasarkan hasil eksperimen menunjukkan tingkat akurasi
aplikasi ini mencapai 75% untuk citra tanpa serangan, 77% untuk citra rotasi 90 derajat, 67% untuk citra
Blur Gaussian 1, 68% untuk citra dengan noise, dan 67% untuk citra dengan perubahan warna.
Kata Kunci: batik besurek, temu kembali citra, tekstur, warna, Gray Level Co-occurrence Matrix

Abstract: Batik Besurek is a Bengkulu cultural Blur Gaussian 1 images, 68% for images with
heritage which has a characteristic form of noise, and 67% for images with color changes.
Arabic letters combined with Raflesia Arnoldi as Keywords: batik besurek, image retrieval, texture,
floral motifs. This application uses the feature color, Gray Level Co-occurrence Matrix
extraction with Color Histogram, Gray Level Co-
occurrence Matrix, and Invariant Moment. The I. PENDAHULUAN
Batik Besurek dataset images are Calligraphy,
. Salah satu jenis Batik yang ada di Indonesia
Raflesia Flower, Quau Bird, Niche, and Moon
Motif. The number of Besurek Batik images used adalah Batik Besurek. Batik Besurek merupakan
as a database is in accordance with the number
warisan budaya Bengkulu yang mempunyai ciri
of Batik Besurek motifs in Bengkulu with the
number of images in the database 100 training khas berupa motif huruf Arab gundul yang
images, 30 database test images, 30 database test
dipadukan dengan motif bunga Raflesia Arnoldi.
images, and 5 test images from the internet. The
results of image search are images that have a Pada proses pembuatannya para pengrajin dapat
similarity to the test image visit. The smaller
menciptakan motif Batik Besurek dengan bentuk,
difference in similarity, the more similar the
image training with the test image. Based on the warna, dan tekstur yang berbeda. Hal tersebut
results of the experiment shown that the accuracy
bertujuan untuk memperkaya jenis dari Batik
of application to 5% for images without attacks,
77% for 90 degree rotational images, 67% for Besurek itu sendiri. Sebagai orang awam yang

17
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode
buta akan seni Batik, tentu sulit untuk mencari
motif yang serupa karena keberagaman motif
Batik Besurek tersebut. Dengan menggunakan
Image Retrieval, citra seperti Batik Besurek dapat
diproses untuk mendapatkan beberapa citra yang
serupa.
Penelitian terkait dengan pengolahan citra
pernah dilakukan sebelumnya seperti aplikasi
pencarian citra Batik Besurek berbasis tekstur
dengan metode Gray Level Co-occurrence Matrix
dan Euclidean Distance [1]. Selanjutnya tentang
efisiensi metode Control Based Image Retrieval
(CBIR) menggunakan kombinasi fitur bentuk,
warna, dan tekstur dengan teknik Fuzzy [2].
Penelitian terkait juga dilakukan yang membahas
tentang aplikasi Image Retrieval
Histogram Warna dan Multiscale GLCM [3].
Penelitian juga dilakukan oleh
M.Zinzuvadia [4] dengan penelitian berjudul a
survey in feature based image retrieval using
classification and relevances feedback techniques
yaitu membahas tentang perbandingan metode
yang digunakan untuk ekstraksi warna, tekstur,
dan bentuk pada sistem temu kembali citra.
Beberapa penelitian terkait yang
dilakukan sebelumnya, diketahui bahwa beberapa
metode yang digunakan masing-masing fitur ialah
Color Histogram, Gray Level Co-occurrence
Matrix (GLCM), dan Moment Invariant. Ketiga
metode tersebut memiliki kelebihan dibandingkan
dengan metode untuk ekstraksi fitur sejenis
lainnya. Color Histogram merupakan metode yang
sederhana, dan cepat proses komputasinya.
Sedangkan Gray Level Co-occurrence Matrix
memiliki kemampuan untuk mencakup posisi dari
pixel yang memiliki persamaan nilai pada level
keabuan [5]. Moment Invariant, metode ini
bermanfaat untuk menyatakan objek dengan
memperhitungkan area objek. Momen yang
dihasilkan dapat digunakan untuk menangani
translasi, penyekalan, dan rotasi gambar.
Penelitian ini membangun aplikasi temu kembali
citra Batik Besurek dengan metode ekstraksi fitur
Color Histogram, Gray Level Co-occurrence
Matrix, dan Moment Invariant. Sedangkan untuk
penghitungan jarak citra query dengan citra pada
database menggunakan metode Euclidean
Distance.
II. LANDASAN TEORI
2.1. Batik Besurek
Batik Besurek terdiri atas 2 kata yaitu “batik”
dan “besurek”. Batik berasal dari bahasa Jawa
yang terdiri atas gabungan dua kata yaitu ”amba”,
dengan
yang artinya “menulis” dan “titik” yang artinya
“titik”. Kata batik juga diduga berasal dari kata
Keyuri
“Ambatik” yang diterjemahkan berarti ‘kain
dengan titik-titik kecil’. Sedangkan kata “besurek”
berasal dari bahasa Bengkulu “Besurek”, yang
kalau di bahasa indonesiakan menjadi “bersurat”
dan dimaknakan menjadi “menulis” [6]. Jadi bisa
diartikan Batik Besurek adalah Batik Bertulisan.
Batik ini disebut besurek atau bersurat karena kain
telah
ini bertuliskan huruf-huruf Arab. Dalam satu kain
biasanya tidak hanya terdiri dari satu motif saja,
tetapi dipadupadankan dengan motif-motif lainnya
untuk lebih memperkaya corak dan ragam kain
Batik Besurek [7].
Motif utama Batik Besurek adalah huruf
kaligrafi. Berikut ini beberapa motif dari kain
Batik Besurek:
a. Motif Kaligrafi, motif yang diambil dari
huruf-huruf kaligrafi. Batik Besurek modern,
biasanya kaligrafinya tidak memiliki makna.
b. Motif Bunga Raflesia, motif yang bergambar
bunga rafflesia arnoldi yang merupakan bunga
18
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

raksasa khas bengkulu. Motif bunga rafflesia bisa distribusi nilai HSV setiap pixel pada gambar yang
dikatakan sebagai motif utama kain besurek telah dikuantisasi.
setelah kaligrafi. c. Normalisasi
c. Motif Burung Kuau, motif bergambar seperti Untuk membandingkan citra dengan ukuran yang
burung, tetapi terbuat dari rangkaian huruf-huruf berbeda, histogram warna harus dinormalisasi.
kaligrafi.
d. Motif Relung Paku, bentuknya meliuk-liuk,
Dimana , p adalah jumlah total pixel dari
persis seperti tanaman relung paku.
suatu citra.
e. Motif Rembulan, motif yang digambar
2.3. Gray-Level Co-Occurrence Matrix
seperti rembulan yang bulat biasanya dipadukan
(GLCM)
dengan motif kaligrafi.
Metode Gray-Level Co-Occurrence Matrix
2.2. Color Histogram
adalah salah satu cara mengekstrak fitur tekstur
Color Histogram merupakan representasi
statistik orde-kedua. GLCM merupakan tabulasi
distribusi warna [5]. Untuk gambar digital,
mengenai frekuensi atau seberapa seringnya
histogram warna mewakili jumlah pixel yang
kombinasi nilai kecerahan pixel yang berbeda
memiliki warna pada masing- masing kelompok,
posisinya terjadi dalam suatu citra [8]. metode
dengan rentang warna tertentu yang mencakup
Gray Level Co-occurrence Matrix merupakan
ruang warna gambar tersebut. Langkah-langkah
salah satu cara mengekstraksi fitur tekstur untuk
untuk menghitung fitur warna, yaitu:
mengetahui seberapa seringnya kombinasi nilai
a. Konversi Ruang Warna
kecerahan pixel dengan posisi berbeda yang terjadi
Pada tahap ini, ubah semua warna pada gambar
pada suatu citra.
dari ruang warna RGB (Red, Green, Blue) menjadi
Terdapat 6 parameter yang paling relevan
ruang warna HSV. HSV adalah Hue, Saturation,
digunakan untuk mengklasifikasikan citra
Value. Hue digunakan untuk mewakili warna,
berdasarkan hasil matriks Co-occurrence. Berikut
saturation adalah banyaknya cahaya putih yang
ini merupakan keenam parameter yang paling
ditambahkan ke warna dasar, dan value adalah
relevan:
intensitas cahaya [8].
1) Angular Second Moment
b. Kuantisasi Nilai HSV
Parameter ini menunjukkan ukuran sifat
Pada ruang warna HSV, setiap komponen
homogenitas suatu citra.
memiliki rentang nilai yang besar. Jika
= Σ ∅, , ( , )
menggunakan nilai H, S, dan V secara langsung,
Dimana P(a,b) menyatakan nilai pada baris a dan
maka memerlukan banyak komputasi. Oleh karena
kolom b pada matriks kookurensi. Kemudian ∅
itu ruang warna HSV dikuantisasi secara non-
dan d merupakan nilai jarak pada tingkat keabuan.
equal intervals, yaitu menetapkan 8 level untuk
2) Entropy
masing-masing hue, saturation, dan value,
Parameter ini menunjukkan ukuran
sehingga didapat 8x8x8 = 512 histogram bins.
ketidakteraturan tekstur suatu citra.
Pada tahap ini, gambar yang sudah dikuantisasi
=− Σ ∅, , ( , ) ∅, ( , )
akan dihitung histogram warnanya, yaitu frekuensi

19
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

Entropy akan bernilai besar pada citra dengan ialah Moment Invariant. Fitur Moment Invariant
transisi derajat keabuan merata dan bernilai kecil bermanfaat untuk menyatakan objek dengan
jika struktur citra tidak teratur (bervariasi). memperhitungkan area objek. Fitur ini
3) Variance menggunakan dasar momen pusat yang
Parameter ini menunjukkan variasi elemen-elemen ternomalisasi [8]. Mekanismenya dilakukan
matriks kookurensi. Citra dengan transisi derajat dengan menghitung momen citra dengan
keabuan kecil akan memiliki variansi yang kecil persamaan sebagai berikut :
pula. =ΣΣ| − | ∅, ( , ) = ΣΣ ( , ), , = , , , ,…
4) Contrast Dengan :
= momen citra digital
Parameter ini menunjukkan ukuran penyebaran
p,q = orde momen
(momen inersia) elemen-elemen matriks citra. Jika = nilai intensitas warna citra
x, y = koodinat pixel
letaknya jauh dari diagonal utama, nilai
kekontrasan besar.
Hasil perhitungan momen citra menghasilkan
=Σ| − | ∅, ( , ) ,
momen citra dalam beberapa orde momen. Orde
Secara visual, nilai kekontrasan adalah ukuran
momen 00, 01, dan 10 dijadikan sebagai masukan
variasi antar derajat keabuan suatu daerah citra.
untuk menghitung koordinat pusat citra.
5) Inverse Different Moment (IDM)
Selanjutnya menetukan koodinat pusat citra
Parameter ini menunjukkan kehomogenan citra
dengan menggunakan persamaan berikut :
yang berderajat keabuan sejenis. Citra yang
̅= ; ̅=
homogen akan memiliki nilai IDM yang besar.
=ΣΣ +( − ) ∅, ( , ) Untuk memperoleh momen yang invarian
6) Correlation terhadap rotasi, maka momen pusat dihitung
Parameter ini menunjukkan ukuran ketergantungan berdasarkan koordinat pusat citra. Momen pusat
linear derajat keabuan citra sehingga dapat dapat ditentukan secara diskret dengan persamaan
memberikan petunjuk adanya struktur linear dalam sebagai berikut :
citra. = ΣΣ( − ̅) ( − ̅) ( , )
=Σ[( ) ∅, ( , )]− , = , , , …
, Dengan :
= momen pusat
Dimana :
̅, ̅ = pusat citra
= Σ Σ ∅, ( , )
Untuk mendapatkan momen pusat yang
= Σ Σ ∅, ( , )
invarian terhadap skala, maka momen
= Σ( − ) Σ ∅, ( , )
dinormalisasi dengan persamaan berikut :
= Σ( − ) Σ ∅, ( , )
= , = + + , + = , ,….
Momen yang dihasilkan dapat digunakan
2.4. Moment Invariant
untuk menangani translasi, penyekalan, dan rotasi
Fitur bentuk memberikan informasi penting
gambar. Menurut Huang [9], tujuh Moment
karena kemampuan manusia untuk mengenali
Invariant seperti persamaan sebagai berikut :
objek melalui bentuknya. Salah satu metodenya

20
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

∅ = + x 240 pixel. Setelah dilakukan pengubahan ukuran

∅ =( − ) + dalam pixel yang lebih kecil masing masing citra
∅ =( − ) +( − ) akan dikonversikan ke dalam ruang warna lain.
∅ =( + ) +( + ) Pada ekstraksi warna konversi ruang warna
∅ = ( − )( + )[ ( + dilakukan dari RGB ke HSV. Sedangkan untuk
) − ( − ) ]+( − ekstraksi tekstur dilakukan konversi ruang warna
)( − ) [ ( + ) −( − dari RGB ke grayscale. Sedangkan estraksi bentuk

) ] dilakukan konversi ruang warna dari RGB ke

∅ = ( − )[ ( + ) − ( + biner.

) ]+ ( + )( + )
∅ = ( − )( + )[ ( +
) − ( + ) ]−( −
)( + )[ ( + ) − ( +
) ]

III. METODE PENELITIAN

Content Based Image Retrieval merupakan

teknik pencarian citra dengan pencapaian rata-rata
kemampuan retrieval yang tinggi, namun
memberikan konsekuensi waktu komputasi yang
tinggi karena harus memproses dimensi citra yang
besar. Dengan teknik pencarian ini akan
menghasilkan citra yang serupa dengan citra
masukan, dimana yang menjadi masukan atau
input pada aplikasi adalah sebuah citra oleh
pengguna.

Pada diagram alur Gambar 1, input atau

masukan dari sistem ini adalah citra uji yang
merupakan citra masukan yang akan diuji dan citra
training yang merupakan citra yang akan
ditambahkan ke database. Cara kerja dari aplikasi
ini terbagi menjadi dua. Pertama tahap untuk citra Gambar 1. Diagram alur aplikasi temu kembali citra batik
sebagai training yang akan disimpan. Beberapa besurek

tahapan dari diagram alur tersebut, yaitu:

1) Pre-processing citra
Tahap ini mengubah ukuran citra menjadi
citra yang telah ditetapkan pada aplikasi yaitu 320

21
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode
2) Proses Ekstraksi Warna dengan Color
Histogram
Ekstraksi warna dilakukan dengan
menggunakan metode color histogram. konversi
dari ruang warna RGB ke Hue Saturation Value
(HSV). Cara mengkonversi ke HSV dilakukan
dengan kode rgb2hsv pada Matlab. Langkah kedua
yaitu kuantisasi warna dilakukan dengan
menggunakan color histogram dengan menetapkan
8 level untuk masing-masing hue, saturation, dan
value, sehingga didapat 8x8x8 = 512 histogram
bins. Langkah ketiga yaitu hitung nilai histogram
yang dinormalisasi dengan cara membagi jumlah
piksel bin warna dengan jumlah total piksel pada
suatu citra, yang mana telah dijelaskan pada bab 2
butir 2.6. Histogram yang dinormalisasi ini
dihitung untuk tiap koefisien perkiraan, horizontal,
dan vertikal. Nilai-nilai histogram merupakan hasil
dari proses ekstraksi fitur. Kemudian dihitung
selisih jaraknya antara citra uji dan citra training.
Pada proses citra training, hasil ekstraksi fitur ini
akan disimpan di dalam database yang akan
digunakan untuk perhitungan selisih dengan citra
uji yang dimasukkan oleh pengguna.
3) Proses Ekstraksi Tekstur Dengan Metode
GLCM
Citra uji dan citra training yang telah melalui
proses preprocessing akan masuk ketahapan ini.
Kedua citra tersebut pada awalnya akan diambil
nilai matriksnya, untuk kemudian nilai
matriks tersebut yang akan diproses
menggunakan metode Gray Level Co-occurrence
Matrix. Sebelum memproses matriks tersebut,
perlunya pembentukan matriks baru berisi piksel
0 yang nantinya akan diisi dengan hasil
pembentukan matriks kookurensi. Matriks baru
ini diinisialisasikan sebagai ‘Temp’. Setelah itu,
barulah dilakukan pembentukan matriks
22
kookurensi dengan cara melakukan pencarian
frekuensi kemunculan piksel dengan masing-
masing tetangganya. Proses ini dilakukan 4 kali
dengan letak tetangga yang berbeda-beda yaitu 0°,
45°, 90° dan 135°.
3. Proses Ekstraksi Bentuk Dengan Moment
Invariant
Moment Invariant ialah menghitung momen
citra, perhitungan ini berlaku untuk citra uji dan
citra training. Dimana nilai koordinat pixel
masing-masing dipangkatkan dengan jumlah
intensitas cahaya yang telah diketahui dari citra
tersebut. Kemudian momen citra digunakan untuk
menghitung koordinat pusat citra. Untuk
memperoleh momen yang invarian terhadap
rotasi, maka momen pusat dihitung berdasarkan
koordinat pusat citra yang telah dihitung
sebelumnya dan dinormalisasikan. Kemudian
tahap selanjutnya ialah menghitung tujuh buah
momen.
IV. HASIL DAN PEMBAHASAN
Pengujian dengan penerapan metode Color
Histogram ini adalah pengujian dari hasil ekstraksi
warna dengan Color Histogram. Pengujian ini
dilakukan dengan citra uji merupakan salah satu
citra yang ada di dalam database. Hal ini
dilakukan untuk membuktikan apakah metode ini
cocok untuk menemukan citra uji tersebut kembali.
Gambar 2. Hasil Pencarian Citra
Citra uji tanpa serangan adalah citra asli
belum diberi serangan baik berupa blur, noise,
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

rotasi, atau perubahan warna citra. Berikut grafik
hasil pengujian terhadap citra uji database tanpa
serangan pada Gambar 3.
proses temu kembali terhadap citra uji dari
database yang diputar 90 derajat menghasilkan
keluaran yang baik. Adapun tingkat akurasi pada
pengujian dengan citra uji database yang dirotasi
90 derajat adalah 35.17% untuk nilai recall dan
77% untuk nilai precision.

Gambar 3. Grafik Hasil Pengujian Terhadap Citra Uji Batik

Besurek Tanpa Serangan

Gambar 5. Grafik Hasil Pengujian Terhadap Citra Batik

Besurek Rotasi 90 Derajat

Gambar 4. Hasil Pengujian Terhadap Citra Tanpa Serangan

Motif Kaligrafi

Gambar 6. Hasil Pengujian Terhadap Citra Rotasi 90 Derajat

Pada gambar 4 bahwa terdapat 9 buah citra Motif Kaligrafi
training Kaligrafi yang berhasil ditemu kembalikan
Pengujian terhadap citra uji yang blur Gaussian
dari hasil proses pencarian tersebut. Pada hasil
1.0 maksudnya citra asli yang diberi serangan
pengujian tampak bahwa ‘Citra 1’, ‘Citra 2’, ‘Citra
berupa blur Gaussian dengan radius 1.0. Hasil
3’, ‘Citra 4’, ‘Citra 5’, ‘Citra 6’, ‘Citra 7’, ‘Citra 9’
pengujian blur Gaussian dengan radius 1.0 sama
dan ‘Citra 10’ merupakan citra motif Kaligrafi.
dengan hasil pengujian blur Gaussian dengan
Sedangkan ‘Citra 8’ merupakan citra motif Relung
radius 2.0, Gambar 7.
Paku. Adapun tingkat akurasi pada pengujian
dengan citra uji database tanpa serangan adalah
34.90% untuk nilai recall dan 75% untuk nilai
precision. Pengujian terhadap citra uji diputar atau
dirotasi 90 derajat maksudnya citra asli yang diberi
serangan yaitu diputar 90 derajat pada Gambar 5.
Pada Gambar 6 hasil pengujian terhadap citra
uji dari database yang diputar 90 derajat motif Gambar 7. Grafik Hasil Pengujian Terhadap Citra Uji Blur
Kaligrafi menunjukkan bahwa terdapat 10 citra Gaussian Radius 1.0 dan 2.0

relevan yang ditemukembalikan. Artinya untuk

23
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

10’. Sedangkan ‘Citra ‘Citra 9’ merupakan motif

Kaligrafi. Adapun tingkat akurasi pada pengujian
dengan citra uji database yang diberi noise adalah
33.24% untuk nilai recall dan 68% untuk nilai
precision.

Gambar 8. Hasil Pengujian Terhadap Citra Blur Gaussian 1.0

Motif Kaligrafi

Pada Gambar 8 hasil pengujian terhadap citra uji

dari database yang diblur Gaussian 1.0 motif
Kaligrafi menunjukkan bahwa terdapat 8 citra
relevan yang berhasil ditemu kembalikan. Citra
relevan tersebut adalah ‘Citra 1’, ‘Citra 2’, ‘Citra Gambar 9. Grafik Hasil Pengujian Terhadap Citra Uji Diberi
Noise (Citra Database)
3’, ‘Citra 4’, ‘Citra 5’, ‘Citra 6’, ‘Citra 8’ dan
‘Citra 10’. Sedangkan ‘Citra 7’ dan ‘Citra 9’
merupakan motif Bunga Raflesia. Adapun tingkat
akurasi pada pengujian dengan citra uji database
yang diblur Gaussian baik dengan radius 1.0
maupun 2.0 adalah 33.24% untuk nilai recall dan
67% untuk nilai precision.
Pengujian terhadap citra uji yang termasuk citra
Gambar 10. Hasil Pengujian Terhadap Citra Uji Diberi Noise
database dengan serangan yaitu noise dengan Motif Kaligrafi
persantase 10%. Berdasarkan Gambar 9 dan
Pengujian citra yang mengalami perubahan
Gambar 10 menunjukkan nilai masing-masing
warna merupakan pengujian terhadap citra dari
citra yang berhasil ditemu kembalikan apabila citra
database dengan serangan yaitu mengubah warna
yang digunakan adalah citra yang diberi Noise.
citra uji tersebut. Berdasarkan Gambar 11
Nilai paling tinggi ditunjukkan oleh motif
menunjukkan nilai masing-masing citra yang
Kaligrafi yaitu sebanyak 9 citra. Sedangkan nilai
berhasil ditemu kembalikan apabila citra yang
yang paling rendah ditunjukkan oleh motif Burung
digunakan adalah citra yang mengalami perubahan
Kuau dan Rembulan yaitu hanya 2 citra yang
warna. Nilai paling tinggi ditunjukkan oleh motif
mampu ditemukembalikan.
Bunga Raflesia yaitu sebanyak 9 citra. Sedangkan
Berdasarkan Gambar 10, hasil pengujian terhadap
nilai yang paling rendah ditunjukkan oleh motif
citra uji yang diberi Noise dengan motif Kaligrafi
Rembulan yaitu hanya 2 citra yang mampu ditemu
menunjukkan bahwa terdapat 9 citra relevan yang
kembalikan.
berhasil ditemu kembalikan. Citra relevan tersebut
adalah ‘Citra 1’, ‘Citra 2’, ‘Citra 3’, ‘Citra 4’,
‘Citra 5’, ‘Citra 6’, ‘Citra 7’, ‘Citra 8’ dan ‘Citra

24
 Jurnal Pseudocode, Volume VII Nomor 1, Februari 2020, ISSN 2355-5920, e-ISSN 2655-1845
www.ejournal.unib.ac.id/index.php/pseudocode

yang sama yaitu nilai recall 33.24% dan nilai

precision 67%. Lalu citra uji yang diberi Noise
menghasilkan nilai recall 29.51% dan nilai
precision 68%. Citra uji yang diubah warnanya
menghasilkan nilai recall 29.86% dan nilai
precision 74%. Berdasarkan hasil pengujian
Gambar 11. Grafik Hasil Pengujian Terhadap Citra
tersebut, maka metode Color Histogram, Gray
Level Cooccurence Matrix dan Moment Invariant
ini telah dapat mengenali citra uji baik tanpa
serangan maupun dengan serangan dan relatif
stabil dalam menemukan kembali citra.

REFERENSI
[1] Karimah, F. U. (2014). Rancang Bangun Aplikasi

Gambar 12. Hasil Pengujian Terhadap Citra Uji Mengalami Pencarian Citra Batik Besurek Berbasis Tekstur dengan
Perubahan Warna Motif Bunga Raflesia Metode Gray Level Co-occurrence Matrix dan Euclidean
Berdasarkan Gambar 12 hasil pengujian Distance. Bengkulu: Universitas Bengkulu.
terhadap citra uji yang diubah warnanya dengan [2] Bala, R. (2014). Efficient Method of CBIR Using

motif Bunga Ralesia menunjukkan bahwa terdapat
9 citra relevan yang berhasil ditemu kembalikan.
Citra relevan tersebut adalah ‘Citra 1’, ‘Citra 2’,
‘Citra 3’, ‘Citra 5’, ‘Citra 6’, ‘Citra 7’ , ‘Citra
Combination of Shape, Color, and Texture Feature with
Fuzzy Technique. International Journal of Advanced
Research in Electronics and Communication Engineering,
909-913.
[3] Halim, A. (2015). Aplikasi Image Retrieval dengan

8’ ,‘Citra 9’ dan ‘Citra 10’. Sedangkan ‘Citra 4’ Histogram Warna dan Multiscale GLCM. International
Standard of Serial Number, 42-50.
merupakan motif Kaligrafi. Adapun tingkat
[4] Zinzuvadia, K. M. (2015). A Survey in Feature Based
akurasi pada pengujian dengan citra uji database Image Retrieval Using Classification and Relevances
yang diubah warnanya adalah 29.86% untuk nilai Feedback Techniques. International Journal of Advanced

recall dan 74% untuk nilai precision. Research in Electronics and Communication Engineering,
508-513.
V. KESIMPULAN DAN SARAN
[5] Purwandari, Endina Putri. (2019). Teori dan Aplikasi
Penelitian ini telah menghasilkan aplikasi Pengolahan Citra Digital. UNIB Press. ISBN 978-602-
temu kembali citra Batik Besurek dengan metode 5830-03-7.

ekstraksi fitur Color Histogram, Gray Level [6] Sanaran, I. (1998). Kerajinan Kain Basurek. Solo: PT. Tiga
Serangkai Pustaka Mandiri.
Cooccurence Matrix dan Moment Invariant
[7] Anwar, S. (1996). Fungsi Dan NIlai Besurek Bagi
dengan baik. Pengujian aplikasi dengan Masyarakat Bengkulu. Jakarta: Departemen Pendidikan
mengunakan citra uji tanpa serangan menghasilkan Dan Kebudayaan.

nilai recall 34.90% dan nilai precision 75%.
Kemudian citra uji yang diputar 90° menghasilkan
nilai recall 35.17% dan nilai precision 77%.
Selanjutnya citra uji yang diblur dengan Gaussian
baik radius 1.0 maupun 2.0 menghasilkan nilai
[8] Purwandari, Endina Putri. (2018). Konsep dan Teori
Pengolahan Citra Digital. UNIB Press. ISBN 976-602-
5830-01-3.
[9] Huang, Z. (2011). Analysis of Hu's Moment Invariants on
Image. Edith Cowan University, 476-480.

25